MagiNet：面向不完整交通数据的掩码感知图插补网络
机器学习
2024-06-07 v1 人工智能
摘要
由于检测器故障和通信故障，交通数据采集过程中缺失数据普遍存在。因此，对缺失值进行插补以促进智能交通系统（ITS）的数据分析和决策至关重要。然而，现有的插补方法通常采用零预填充技术来初始化缺失值，从而引入不可避免的噪声。此外，我们观察到普遍存在的过度平滑插补，未能揭示不完整交通数据的内在时空相关性。为此，我们提出了掩码感知图插补网络：MagiNet。我们的方法设计了一个自适应掩码时空编码器来学习不完整数据的潜在表示，消除了对预填充缺失值的依赖。此外，我们设计了一个时空解码器，堆叠多个模块来捕获不完整交通数据中固有的空间和时间依赖性，从而缓解过度平滑插补。大量实验表明，我们的方法在五个真实世界交通数据集上优于最先进的插补方法，在RMSE上平均提升4.31%，在MAPE上平均提升3.72%。
引用
@article{arxiv.2406.03511,
title = {MagiNet: Mask-Aware Graph Imputation Network for Incomplete Traffic Data},
author = {Jianping Zhou and Bin Lu and Zhanyu Liu and Siyu Pan and Xuejun Feng and Hua Wei and Guanjie Zheng and Xinbing Wang and Chenghu Zhou},
journal= {arXiv preprint arXiv:2406.03511},
year = {2024}
}
备注
19 pages, 7 figures